LSCP: Locally Selective Combination in Parallel Outlier Ensembles
- LSCP框架:
1.训练多个基础异常检测器(Base Detector Generation);
2.生成伪标签用于评估(Pseudo Ground Truth);
3.对于每个测试点生成局部空间,也就是近邻(Local Region Definition);
4.模型选择与合并(Model Selection and Combination),即对所有的基模型在找到的局部空间上用生产的伪标签进行评估,和伪标签在局部空间上Pearson大的被选做最终输出模型。
- 异常检测(离群值检测)是一种重要的数据挖掘方法,可以找到与“主要数据分布”不同的异常值。
- 异常检测有三个特点:1无监督:一般没有标签可用;2极端的数据不平衡:异常点往往远少于正常点;3复杂的模式。
- 绝大部分的异常检测集成都是并行式的。
- LSCP(Locally Selective Combination in Parallel Outlier Ensembles)通过强调数据局部性来选择性地组合基本检测器。
- 结合/融合/整合 (integration/ combination/ fusion)多个机器学习模型往往可以提高整体的预测能力。
- 动态分类器选择(DCS)是一个用于分类任务的已建立组合框架。
- LSCP改进了局部区域定义过程,以实现更稳定的组合机制。
- LSCP从一组要组合的检测器开始。对于每个测试实例,LSCP首先定义其局部区域,然后选择功能最强的局部检测器。所选检测器用于生成测试实例的离群值。
- 基于论文中的可视化分析,可以假设,当离群对象和正常对象被很好地分离时,LSCP是有用的,但是当它们被交错,数据因为异常过于分散,没有形成局部特征时,LSCP的效果会降低。当假设有少量异常值时,较小的局部